[发明专利]一种基于神经协同过滤的智能商业选址方法

说明书

本发明提供一种基于神经协同过滤的智能商业选址方法，通过收集餐馆数据、地理信息数据，据此得到餐馆类别与地址块的交互矩阵数据，使用奇异值分解、多层感知机分别线性、非线性模拟餐馆类别对地址的偏好，连接两个偏好值得到最终的预测值，据此预测值对餐馆类别推荐地址列表。(使用神经协同过滤的方法预测交互矩阵中的缺失值，据此预测值对餐馆类别推荐地址列表。)本发明利用以下原理：神经协同过滤可以预测出交互矩阵中的缺失值，然后预测值以某种方式向餐馆类别进行推荐。其能够有效解决矩阵分解线性模拟交互的问题、避免了冷启动的问题，同时加入了多层感知机这一深度学习方法，可以从数据中学习任意函数，增加了地址推荐的准确性。

技术领域

本发明涉及商业选址和基于深度学习的推荐系统领域，尤其涉及基于神经协同过滤的商业地址推荐的方法。

背景技术

大数据驱动的商业选址是新零售时代创新性应用之一。目前已经有了一些商业选址的研究，它们大多基于地理信息服务、POI数据等多元异构信息来选择其最佳位置。具体地，它们首先从多元数据中提取信息来获取各个方面的特征：地理特征(密度、竞争性等)、移动性特征(区域流行度、流入流量等)等，然后利用这些特征进行线性回归分析、矩阵分解(Matrix Factorization，MF)或迁移学习等来获取最优位置。尽管这些方法都能提供比较满意的准确率，但他们都需要从数据中手动挖掘特征。若特征提取不全面便可能得不到较好的效果；此外，线性回归和MF方法均是线性模型，如果特征之间存在某种关联，此模型不能很好的表达这些特征。

近两年，深度学习在图像识别、文本处理、计算机视觉已取得巨大成功，在推荐系统方面也取得了很多突破，表明深度学习可以从内容中直接提取特征，可以更加准确地学习用户和项目的潜在特征。在推荐系统中一般有几种使用深度学习的方法：无监督的学习方法；利用深度学习来预测潜在特征；利用深度学习的方法将学习到的特征作为辅助信息。通常更多的是利用深度学习来对辅助信息建模，比如项目的文字描述、跨域行为的用户以及丰富的知识库，然后将深度学习学习到的特征与MF相结合。利用深度学习来预测潜在特征的研究相对较少，比较典型的是一种使用深层神经网络方法将用户和项目映射到共同低维空间，得到用户和项目的潜在特征，接着使用余弦相似度来计算最终的结果。

发明内容

本发明基于以上缺陷提出一种基于神经协同过滤的智能商业选址方法，能够满足商业领域尤其是新零售领域的需求。本发明的技术方案为：

一种基于神经协同过滤的智能商业选址方法，包括以下步骤：

S1：建立餐馆、地址交互矩阵；

S2：建立地址偏好模型；

S3：餐馆地址推荐。

进一步地，一种基于神经协同过滤的智能商业选址方法，所述 S1具体包括：

S11：获取餐馆数据与城市poi数据，利用餐馆的经纬度与划分区域块时的经纬度的范围匹配，若该餐馆在这个范围内，则保存此餐馆；

S12：定义餐馆类别-地址交互矩阵Y∈R^M×N，如下：

其中，y_ui的值为1，则表示在这个地址i上，存在着类别为u的餐馆，而y_ui的值为0则表示在地址i上，并不能说明不存在类别为u的餐馆。

进一步地，一种基于神经协同过滤的智能商业选址方法，所述 S2具体包括：

S21：根据餐馆类别-地址交互矩阵Y，建立SVD模型，线性模拟餐馆类别对地址的偏好，SVD模型为：